Jaringan Syaraf Tiruan | Perceptron

Perceptron

Perceptron termasuk salah satu bentuk jaringan syaraf yang sederhana. Perceptron biasa digunakan untuk mengklasifikasikan suatu tipe pola tertentu yang sering dikenal dengan pemisahan secara linear.

Gambar Klasifikasi Secara Linear

Pemisahan secara linear atau yang sering disebut dengan linear classifier menggunakan karakteristik objek untuk mengidentifikasi kelas/grup objek tersebut berada berdasarkan nilai kombinasi linear dari karakteristik objek.


kombinasi linear merupakan penjumlahan hasil kali himpunan pasangan berurutan (contoh vektor dengan bilangan skalar, yang juga menghasilkan vektor).

Misal v adalah vektor (v1, v2, v3), dan a adalah skalar (a1, a2, a3), maka . Dalam komputasi, linear classifer didefinisikan sebagai algoritma yang (pada bidang 2 dimensi) dapat menemukan garis yang dapat memisahkan beberapa kelas. Sehingga objek-objek yang berada pada sisi garis yang sama maka objek tersebut berada pada satu kelas.

Gambar Jenis Perceptron

Perceptron dapat merepresentasikan fungsi logika AND, OR, dan NOT, tapi tidak seluruh fungsi logika Boolean. Perhatikan tabel fungsi logika berikut:

AND
input 1 input 2 output
1 1 1
1 0 0
0 1 0
0 0 0


XOR
input 1 input 2 output
1 1 0
1 0 1
0 1 1
0 0 0

Jika tabel diatas digambarkan menggunakan grafik, dengan titik hitam melambangkan 1, dan titik putih melambangkan 0, maka grafik tersebut terlihat seperti:
Gambar Klasifikasi untuk Fungsi AND dan XOR

Fungsi AND dikatakan linearly separable karena terdapat sebuah hyperlane yang memisahkan titik angka 1 dengan titik angka 0.

Pembelajaran pada Perceptron
Single layer perceptron memiliki bobot yang dapat diatur dan nilai threshold. Pelatihan pada perceptron ini dilakukan dengan mengubah nilai bobot sehingga sesuai dengan kebutuhan yang dilakukan dengan membandingkan keluaran dengan nilai target (output yang telah diperkirakan).

Istilah:

x                : Input
b                : bias
Target (T) : Output yang diprediksi
y_in           : Luaran proses pembelajaran
y                : Fungsi aktivasi y = f(y_in)
α                : Learning rate/laju pemahaman (LR)
w               : Bobot
Ø               : Nilai threshold
Epoh         : Tahapan pembelajaran/iterasi

Algoritma Single Layer Perceptron


  • Algoritma Single Layer
    • Menyiapkan data set pembelajaran.
    • Inisialisasi semua bobot dan bias. (untuk mudahnya set semua bobot awal dan bobot bias sama dengan nol)
    • Tentukan learning rate (0 < α ≤ 1) (untuk mudahnya set LR sama dengan 1)
  • Hitung y_in berdasarkan input, bobot, dan bias:

    Hitung y = f(y_in) berdasarkan fungsi aktivasi (menggunakan fungsi undak biner dengan threshold). 

     
    Jika y = target, maka :
        wi(baru) = wi(lama)
        b(baru) = b(lama) 
    Jika y ≠ target, maka :
         wi(baru) = wi(lama) + α * t * xi
         b(baru) = b(lama) + α * t
  • Kembali ke langkah 2 untuk menghitung data selanjutnya dengan bobot baru.
  • Berhenti jika bobot tetap untuk semua data atau iterasi maksimal epoh terpenuhi.




Sumber : STMIK PalComTech

No comments:

Post a Comment

Bekomentarlah yang sopan agar hidup kita disopankan orang. Berbahasa Indonesialah yang baik dan benar

JARINGAN KOMPUTER DASAR

PENGANTAR DAN KONSEP KOMUNIKASI JARINGAN KOMPUTER Sejarah Jaringan komputer Internet => ARPANET => Departemen Pertahanan AS (19...